Flowise艺术创作：生成式AI工作流拼接实验

1. 引言：当AI创作变成“搭积木”

想象一下，你想让AI帮你写一首诗，再根据这首诗生成一幅画，最后为这幅画配上一段音乐。过去，这需要你分别调用三个不同的AI模型，写代码处理数据流转，调试接口，整个过程复杂又耗时。

但现在，有一种方法能让你像搭积木一样，用鼠标拖拽几个模块，连几条线，几分钟内就完成这个复杂的创意流程。这就是Flowise带来的改变。

Flowise是一个开源的、可视化的AI工作流构建平台。它把那些复杂的AI技术（比如大语言模型、向量数据库、各种工具链）封装成一个个简单的“节点”。你不需要写一行代码，只需要在画布上把这些节点拖过来，用线连起来，就能搭建出功能强大的AI应用——无论是智能问答机器人、文档分析助手，还是我们今天要探索的，充满想象力的生成式AI艺术创作流水线。

简单来说，它让AI应用开发，从“写代码”变成了“画流程图”。这篇文章，我将带你亲手体验，如何用Flowise这个“可视化积木”，拼接出一个属于你自己的AI艺术创作工作流。

2. 核心概念：五分钟看懂Flowise

在开始动手之前，我们先花几分钟，快速理解Flowise到底是什么，以及它为什么能如此简单。

2.1 Flowise是什么？

你可以把Flowise理解为一个专为AI工作流设计的“可视化编程”工具。它的核心思想是“节点”和“连线”。

• 节点：代表一个独立的功能单元。比如：
  • LLM节点：代表一个大语言模型（如GPT-4、本地部署的Llama等），负责理解和生成文本。
  • 提示词节点：用来定义你给AI的指令模板。
  • 文档加载器节点：可以读取PDF、TXT、网页等文件。
  • 文本分割器节点：将长文本切分成小块，方便AI处理。
  • 向量数据库节点：将文本转换成数学向量并存储，用于快速检索相关知识。
  • 工具节点：可以调用外部API，比如搜索网络、查询天气、执行计算等。
• 连线：代表数据流动的方向。你把一个节点的输出端口，用线连接到另一个节点的输入端口，数据就自动传递过去了。

通过组合不同的节点，你就能构建出复杂的链式逻辑。Flowise在后台，实际上帮你自动生成了基于LangChain框架的代码，但你完全不需要关心这些。

2.2 为什么选择Flowise？

面对众多AI开发工具，Flowise有几个突出的优点，让它特别适合快速实验和原型搭建：

1. 零代码，上手极快：这是最大的优势。你不需要是程序员，只要理解业务逻辑，就能构建应用。大大降低了AI技术的使用门槛。
2. 模型无关性：它支持几乎所有主流模型。无论是OpenAI的GPT、Anthropic的Claude，还是开源的Llama、通义千问，甚至是本地通过Ollama、vLLM部署的模型，都可以通过简单的下拉框切换。这为我们使用本地模型进行创作提供了完美支持。
3. 丰富的预制模板：官方提供了一个“市场”，里面有上百个现成的工作流模板，比如文档问答、网络内容抓取、SQL查询助手等。你可以一键导入，在其基础上修改，极大地提升了效率。
4. 本地优先，隐私安全：你可以把它完全部署在自己的电脑或服务器上。所有的数据、模型推理都在本地完成，非常适合处理敏感数据或需要离线使用的场景。
5. 轻松集成与部署：搭建好的工作流，可以一键导出为标准的REST API接口。这意味着你可以轻松地把它嵌入到你自己的网站、APP或任何业务系统中。

一句话总结：如果你想快速把某个AI创意变成可用的工具，又不想陷入编码的泥潭，Flowise是目前最友好的选择之一。

3. 环境准备：快速启动你的Flowise工坊

理论说得再多，不如动手一试。我们首先在本地环境把Flowise服务跑起来。这里我们采用一种更接近生产环境的部署方式。

3.1 基础环境配置

假设你有一台安装了Linux系统的服务器或本地电脑（Windows/macOS也可通过WSL或Docker实现类似步骤）。首先，我们需要安装一些基础依赖。

打开终端，执行以下命令更新系统并安装必要的软件包：

# 更新软件包列表
apt update

# 安装编译和数学运算库（部分AI组件依赖）
apt install cmake libopenblas-dev -y

3.2 获取并启动Flowise

接下来，我们克隆Flowise的代码仓库并进行启动。

# 进入你的工作目录，例如 /app
cd /app

# 克隆Flowise官方仓库
git clone https://github.com/FlowiseAI/Flowise.git

# 进入项目目录
cd Flowise

Flowise的配置主要通过环境变量文件管理。我们需要先准备好配置文件：

# 将环境变量示例文件复制为正式配置文件
cp packages/server/.env.example packages/server/.env

然后，用文本编辑器（如 nano 或 vim）打开 packages/server/.env 文件。在这个文件里，你可以配置各种参数，比如端口号、数据库连接、以及最重要的——AI模型的API密钥。

对于我们使用本地vLLM服务的场景，关键配置如下（你需要根据实际情况修改）：

• 将 OPENAI_API_KEY 设置为你的vLLM服务地址。vLLM服务通常兼容OpenAI的API格式。
• 例如，如果你的vLLM服务运行在 http://localhost:8000/v1，你可以这样设置：

  OPENAI_API_BASE=http://localhost:8000/v1
  OPENAI_API_KEY=your-vllm-api-key-here # 如果vLLM设置了API密钥则填写，否则可随意填写一个非空字符串
  

• 这样，Flowise中的“OpenAI”节点就会将请求发送到你本地的vLLM模型。

3.3 安装依赖并启动

配置好后，就可以安装依赖并启动了。Flowise使用 pnpm 作为包管理器。

# 安装项目所有依赖（这可能需要一些时间）
pnpm install

# 构建项目
pnpm build

# 启动Flowise服务
pnpm start

执行 pnpm start 后，终端会开始输出日志。等待几分钟，直到你看到类似 Server listening on port 3000 的消息，说明服务已经成功启动。

现在，打开你的浏览器，访问 http://你的服务器IP:3000。你就会看到Flowise的登录界面。

为了方便体验，这里提供一个演示账号：

账号：kakajiang@kakajiang.com 密码：KKJiang123.

登录后，你就进入了Flowise的主界面——一个空白的画布。你的AI工作流拼接实验，即将从这里开始。

4. 实战演练：构建一个AI艺术灵感生成器

现在，我们进入最有趣的部分：亲手搭建一个工作流。我们的目标是创建一个 “AI艺术灵感生成器”。

工作流设想：

1. 用户输入一个简单的主题（如“星空下的咖啡馆”）。
2. AI首先根据主题，生成一段富有画面感和意境的详细描述。
3. 然后，AI再根据这段详细的描述，生成一个更具体、更适合AI绘画模型的提示词（Prompt）。
4. 最终，输出这个优化后的绘画提示词，用户可以直接将其用于Midjourney、Stable Diffusion等工具。

这个流程模拟了人类艺术家的创作过程：先有朦胧的构思，再将其具体化为可执行的创作指令。

4.1 第一步：放置并配置核心节点

登录Flowise后，点击左侧边栏的“+ New Flow”创建一个新流程。

1. 添加“ChatOpenAI”节点（代表LLM）：

   • 从左侧节点库的“Models”分类下，拖拽一个 “ChatOpenAI” 节点到画布上。
   • 点击该节点进行配置。在“Model Name”下拉框中，选择你通过vLLM部署的模型，例如 qwen2.5-7b-instruct。其他参数如“Temperature”（创造性，建议0.7-0.9）可以根据需要调整。

2. 添加“提示词模板”节点：

   • 从“Chains”分类下，拖拽一个 “Prompt Template” 节点到画布。
   • 这个节点用来定义我们给AI的指令。在配置框中，我们需要编写“系统提示词”和“人类提示词”。
   • 系统提示词（System Message）：设定AI的角色。

     你是一位才华横溢的诗人兼艺术评论家。你的任务是将简单的主题扩展成充满细节、情感和视觉意象的生动段落。
     

   • 人类提示词（Human Message）：定义用户的输入变量和任务格式。我们用 {topic} 作为占位符。

     请根据以下主题，创作一段富有画面感的详细描述：
     主题：{topic}
     
     你的描述应该包含环境、氛围、色彩、光线和可能的细节，激发读者的想象力。
     

4.2 第二步：构建第一个创作链（生成详细描述）

现在，我们把节点连接起来，形成第一个链条。

1. 连接节点：

   • 将 Prompt Template 节点的输出端口（通常标记为“prompt”），用鼠标拖出一条线，连接到 ChatOpenAI 节点的输入端口（标记为“prompt”）。
   • 再将 ChatOpenAI 节点的输出端口（标记为“text”），连接到画布右侧的 “Output” 节点（系统默认提供）。

2. 测试第一个链条：

   • 在画布右上角，找到聊天测试窗口。
   • 在输入框中，键入 {“topic”: “星空下的咖啡馆”}。
   • 点击“运行”。你会看到AI返回了一段关于“星空下的咖啡馆”的优美描述。
   • 恭喜！ 你已经完成了工作流的第一阶段。但这还不够，我们还需要第二个AI来优化提示词。

4.3 第三步：扩展工作流（优化绘画提示词）

我们需要另一个LLM节点，来加工第一个AI生成的描述，将其转化为专业绘画提示词。

1. 添加第二个LLM和提示词节点：

   • 再拖拽一个 “ChatOpenAI” 节点和一个 “Prompt Template” 节点到画布。
   • 配置第二个提示词节点。它的任务是进行“提示词工程”。
   • 系统提示词：

     你是一名专业的AI绘画提示词工程师。请将给定的文字描述，转化为结构清晰、要素丰富的AI绘画提示词。
     

   • 人类提示词：

     请将以下描述优化为适合Stable Diffusion或Midjourney的绘画提示词：
     {art_description}
     
     要求：
     1. 使用英文。
     2. 遵循“主题描述，艺术风格，细节修饰，技术参数”的结构。
     3. 艺术风格可以建议如：digital painting, concept art, photorealistic, anime等。
     4. 技术参数如：4k, ultra detailed, dramatic lighting等。
     

2. 重新连接工作流：

   • 这是关键一步。我们需要改变数据流向。
   • 断开第一个ChatOpenAI节点与最终Output的连接。
   • 将第一个ChatOpenAI节点的“text”输出，连接到第二个Prompt Template节点的输入。你需要将第二个提示词节点的变量名从默认的 {input} 改为 {art_description} 以匹配连接。
   • 将第二个Prompt Template节点的输出，连接到第二个ChatOpenAI节点的输入。
   • 将第二个ChatOpenAI节点的输出，连接到最终的Output节点。

现在你的画布应该有两个清晰的链条：用户输入 -> 提示词1 -> LLM1 -> 提示词2 -> LLM2 -> 输出。

3. 完整测试：
   • 再次在测试窗口输入 {“topic”: “星空下的咖啡馆”} 并运行。
   • 观察整个过程：AI先生成了一段散文诗般的描述，然后第二个AI将这段描述转化成了类似这样的专业提示词：

     A cozy café under a starry night sky, with warm light glowing from the windows, patrons silhouetted against the glass, surrounded by quiet cobblestone streets, digital painting, concept art style, cinematic lighting, 4k, highly detailed, atmospheric, by Greg Rutkowski and Artgerm.

至此，一个自动化的“艺术灵感生成与优化”工作流就搭建完成了！你可以通过修改提示词模板，轻松改变AI的创作风格或优化方向。

5. 进阶探索：释放工作流的更多潜力

上面我们构建了一个简单的线性链。但Flowise的能力远不止于此。让我们看看如何让它变得更强大、更智能。

5.1 引入“工具”与“智能体”

Flowise的强大之处在于它能集成外部工具。例如，我们可以让AI在生成描述前，先自动搜索一些相关资料。

1. 添加“Serper”搜索工具节点（需要API Key）：
   • 从“Tools”分类下拖拽一个 “Serper Search” 节点。
   • 配置你的Serper API密钥（可在其官网免费获取一定额度）。
2. 创建“智能体”：
   • 从“Agents”分类下拖拽一个 “OpenAI Functions Agent” 节点。
   • 将Serper搜索工具节点连接到智能体节点的“Tools”输入端口。
   • 修改第一个提示词模板，让AI在创作前先“思考”：“关于{topic}这个主题，有哪些著名的艺术作品或文化意象？请先简要搜索了解一下。”
   • 将提示词连接到智能体，再将智能体的输出连接到第一个LLM。
   • 这样，AI在创作前就会自动搜索相关信息，使生成的内容更有文化底蕴。

5.2 使用“记忆”实现多轮对话

默认情况下，每次调用都是独立的。如果我们想做一个能记住上下文的艺术创作助手呢？

• 从“Memories”分类下拖拽一个 “Buffer Memory” 节点到画布。
• 将这个记忆节点连接到你的LLM节点的“Memory”输入端口。
• 这样，LLM就能记住之前对话的历史。你可以先让AI生成一个描述，然后说“把场景改成雨天”，AI就能基于之前的记忆进行修改。

5.3 条件判断与分支流程

你甚至可以构建带逻辑判断的工作流。例如：

• 添加一个“If/Else”节点。
• 判断用户输入的主题是否包含“人物”关键词。
• 如果包含，走一条专门优化人物绘画提示词的流程；如果不包含，则走常规的风景提示词优化流程。

通过拖拽“If/Else”、“Switch”等逻辑节点，并用连线控制流程分支，你能构建出非常复杂的业务逻辑，而这一切都无需编码。

6. 总结：从拼接实验到创意生产

回顾我们这次的“拼接实验”，你会发现，用Flowise构建AI工作流的体验，就像在玩一个高级版的乐高。

• 它降低了门槛：让非程序员也能轻松驾驭大语言模型、向量数据库等先进技术，将AI创意快速原型化。
• 它提升了效率：可视化编排让复杂的逻辑一目了然，调试和修改变得异常直观。预制模板更是让常用功能“开箱即用”。
• 它激发了创意：当你不再纠结于代码语法和API调用，就能更专注于工作流本身的逻辑和创新。今天搭建的是“艺术灵感生成器”，明天你就可以用它拼接“智能客服工单处理系统”、“个性化学习内容推荐引擎”或“自动化市场分析报告生成器”。

核心价值在于，Flowise将AI应用的开发，从“如何实现”的技术层面，提升到了“做什么”和“怎么做”的业务与创意层面。它让你能够更自由地探索AI的可能性边界。

当然，它也有其局限性，比如超复杂、定制化极高的逻辑可能仍需代码辅助，性能优化深度不如手写代码。但对于绝大多数需要快速验证想法、构建内部工具或轻量级应用的场景来说，Flowise无疑是一把利器。

---

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。